opencv中注意相关事项

最新推荐文章于 2024-04-24 17:04:03 发布

转载最新推荐文章于 2024-04-24 17:04:03 发布 · 670 阅读

本文深入探讨了OpenCV库在计算机视觉领域的关键概念和技术，包括向量结构、图像处理、特征提取、机器学习流程及算法分类等。详细解释了IplImage与CvMat的区别、内存存储器的使用、序列类比于容器类、有监督与无监督学习的区别，并介绍了OpenCV中的主要学习算法。同时，文章梳理了从数据采集到模型训练的完整机器学习流程，涵盖了数据预处理、特征选择、模型选择及评估的步骤。通过案例分析，读者能够全面理解OpenCV在实际项目中的应用以及如何高效地进行机器学习任务。

1.在OpenCV中没有向量(vector)结构
2.在计算机视觉中，一个重要的错误来源就是源点定义的不统一：避免此类现象最好办法就是在最开始的时候哦检测一下系统，在所操作的图像块的地方画点东西试试
3.IplImage和CvMat之间的一个重要区别在于imageData。
CvMat的data元素类型是联合类型，所以必须说明需要使用的指针类型。
imageData指针是字节类型指针(uchar*)
4.如果某函数可使用CvMat，那也可使用IplImage，反之亦然
5.内存存储器(memory storage)是OpenCV在创建动态对象时存取内存的技术
6.把OpenCV中的序列想象为许多编程语言中都存在的容器类或容器类模板(如c++中的vector)
7.学习(learning)：调整参数来达到目的的过程
8.有标签的机器学习是有监督的，如果没有标签，则是无监督的
9.除了Mahalanobis和K均值算法在CXCORE库中，人脸检测算法在CV库中，其他算法都在ML库中
10.机器学习流程
(1)第一个问题是怎么采集数据并给数据定标签，需要定义有目标在场景中得确切含义
(2)获取了很多数据之后，该怎么给数据定标签？首先需要决定标签的意义
(3)数据定好标签之后，需要决定提取哪些特征，必须寻找表达物体固有属性的特征
(4)如果有背景信息，可能想首先把背景去除，提取出物体；然后进行图像处理(归一化图像、尺度改变、旋转、直方图均衡)，计算很多特征
(5)一旦数据被转换成特征向量，便需要把数据分成训练集、验证集和测试集
(6)数据已经准备好，下面是选择分类器
11.如果不需要训练很快，但是需要精确度很高，可选择boosting和随机森林
12.时刻牢记输入数据矩阵的构成方式(行，列)=(数据样本，特征变量)
13.第一个boosting算法叫AdaBoosting
14.openCV新建工程后记得在Link(Alt+F7)选项中添加cxcore.lib cv.lib ml.lib cvaux.lib highgui.lib cvcam.lib